支持向量机SVM

一、网络训练

%% 调用格式
model = svmtrain(train_label, train_data, ‘options’);
%% 举例
model = svmtrain(output_train, inputn, '-c 2 -g 1 -t 2');

1.train_data训练集属性矩阵

大小n*m，n表示样本数，m表示属性数目（维数），数据类型double；

2.train_label训练集标签

大小n*1，n表示样本数，数据类型double ；

3.options参数选项

（1）-s svm类型：设置SVM模型类型(默认0)

	0 -- C-SVC 	支持向量分类机,C_SVC采用的是0到正无穷。参数C为惩罚系数，C越大表示对错误分类的惩罚越大，适当的参数C对分类Accuracy很关键
	1 -- nu-SVC	nu-SVC采用的是[0,1]
	2 -- one-class SVM 	一类SVM：​单类别-支持向量机，不需要类标号,用于支持向量的密度估计和聚类
	3 -- epsilon-SVR	支持向量回归机
	4 -- nu-SVR 	支持向量回归机,nu-SVR能够自动计算参数

(2)-t 核函数类型：核函数设置类型(默认2)

	0 -- 线性核函数: u'*v
	1 -- 多项式核函数: (gamma*u'*v + coef0)^degree
	2 -- RBF核函数: exp(-gamma*|u-v|^2)
	3 -- sigmoid核函数: tanh(gamma*u'*v + coef0)
	4 -- 预定义核函数（指定核矩阵）

(3)-d degree：

核函数中的degree设置(针对多项式核函数)(默认3)

(4)-g gama：

核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)(默认1/num_features,即属性数目的倒数)

(5)-r coef0：

核函数中的coef0设置(针对多项式/sigmoid核函数)(默认0)

(6)-c cost：

设置C-SVC，epsilon-SVR和nu-SVC的参数(损失函数)(默认1) 

(7)-n nu：

设置nu-SVC，one-class SVM和nu-SVR的参数(默认0.5) (8)-p

epsilon：

设置epsilon-SVR中损失函数epsilon的值(默认0.1)

(9)-m cachesize：

设置cache内存大小，以MB为单位(默认100)

(10)-e eps：设置允许的终止判据(默认0.001)

(11)-h shrinking：是否使用启发式，0或1(默认1)

(12)-wi weight：设置第几类的参数C为weight*C(C-SVC中的C)(默认1)

二、网络测试

%% 调用格式
[predict_label, accuracy/mse, dec_value] = svmpredict(test_label, test_data,model);

1.predict_label

预测的测试集的标签，数据类型double；

2.accuracy/mse

（1）是一个3*1的列向量
（2）第一个数代表分类准确率（分类问题使用）
（3）第二个代表mse（回归问题使用）
（4）第三个数表示平方相关系数（回归问题使用）

3.dec_value

（1）是决策值
（2）只是在多分类的时候才会返回这个值，二分类的时候没有
（3）它的矩阵大小是预测数据样本个数*类别数